Mediaspace scheduled maintenance: Aug 25, 2026 07:00 - 12:00 AM. During this time, videos will be temporarily unavailable. Check status updates.

Graph
Search

Cours

MATH-412: Statistical machine learning

Résumé

A course on statistical machine learning for supervised and unsupervised learning

Séances de cours

Enseignant·e·s (2)

Guillaume Romain Obozinski

Guillaume Obozinski est Chef Data Scientist Adjoint au Swiss Data Science Center. Il a reçu le diplôme de doctorat en Statistiques de l'Université de Californie à Berkeley en 2009. Post-doc puis chercheur dans les équipes Willow et Sierra à l'INRIA / Ecole Normale Supérieure à Paris jusqu'en 2012, il a été chercheur à l'Ecole des Ponts ParisTech à Paris jusqu'en 2018. Ses domaines d'expertise sont principalement en apprentissage automatique, en statistique et en optimisation. Il a travaillé au fil du temps sur les méthodes d'apprentissage parcimonieux, les techniques d'optimisation pour l'apprentissage, les modèles graphiques probabilistes, l'apprentissage relationnel et les représentations vectorielles sémantiques. Il est intéressé par l'application de ces techniques à tous les domaines des data sciences, depuis la biologie computationnelle à l'analyse automatique d'images.

Yoav Zemel

Source officielle

https://edu.epfl.ch/coursebook/fr/statistical-machine-learning-MATH-412

Page Moodle

http://go.epfl.ch/MATH-412

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Résumé

A course on statistical machine learning for supervised and unsupervised learning

Séances de cours

Enseignant·e·s (2)

Guillaume Romain Obozinski

Yoav Zemel

Source officielle

https://edu.epfl.ch/coursebook/fr/statistical-machine-learning-MATH-412

Page Moodle

http://go.epfl.ch/MATH-412

À propos de ce résultat

Séances de ce cours (49)

Introduction à l'apprentissage supervisé et à la théorie de la décision

Couvre l'apprentissage supervisé, la théorie de la décision, la minimisation des risques et la réalisation des objectifs.

Exemples de modèles de décision pour l'apprentissage supervisé

Couvre des exemples de modèles de décision pour lapprentissage supervisé, y compris la régression, la classification, les paires de classement et le décodage de séquence pour les modèles OCR.

Comparaison des algorithmes L1 et L0 + Greedy

Compare L1 et L0 pénalisation en régression linéaire avec des conceptions orthogonales en utilisant des algorithmes gourmands et des comparaisons empiriques.

Estimation des risques : C.L. et Cp de Mallows

Discute de l'optimisme dans l'estimation du risque, des degrés de liberté effectifs et des CL et Cp de Mallows pour les estimateurs linéaires.

Les critères d'information de Takeuchi et Akaike

Couvre l'estimation de l'optimisme pour les prédicteurs via des modèles statistiques et l'application de l'AIC à la régression linéaire.

Afficher plus

Cours associés (30)

PHYS-467: Machine learning for physicists

Machine learning and data analysis are becoming increasingly central in sciences including physics. In this course, fundamental principles and methods of machine learning will be introduced and practised. ...

CS-433: Machine learning

Machine learning methods are becoming increasingly central in many sciences and applications. In this course, fundamental principles and methods of machine learning will be introduced, analyzed and practically implemented. ...

DH-406: Machine learning for DH

This course aims to introduce the basic principles of machine learning in the context of the digital humanities. We will cover both supervised and unsupervised learning techniques, and study and implement methods to analyze diverse data types, such as imag ...

EE-556: Mathematics of data: from theory to computation

This course provides an overview of key advances in continuous optimization and statistical analysis for machine learning. We review recent learning formulations and models as well as their guarantees

EE-566: Adaptation and learning

In this course, students learn to design and master algorithms and core concepts related to inference and learning from data and the foundations of adaptation and learning theories with applications.

Afficher plus